CN112001110B - 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 - Google Patents

一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 Download PDF

Info

Publication number
CN112001110B
CN112001110B CN201910444058.8A CN201910444058A CN112001110B CN 112001110 B CN112001110 B CN 112001110B CN 201910444058 A CN201910444058 A CN 201910444058A CN 112001110 B CN112001110 B CN 112001110B
Authority
CN
China
Prior art keywords
neural network
damage
convolutional neural
training
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910444058.8A
Other languages
English (en)
Other versions
CN112001110A (zh
Inventor
段元锋
诸锜
章红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910444058.8A priority Critical patent/CN112001110B/zh
Publication of CN112001110A publication Critical patent/CN112001110A/zh
Application granted granted Critical
Publication of CN112001110B publication Critical patent/CN112001110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，包括如下步骤：S1)搭建数值模型并生成风激励荷载等外激励；S2)准备不同损伤位置以及损伤程度的结构数值模型并将风激励荷载等激励加载到数值模型上；S3)将时程加速度响应生成相应递归图样本；S4)对样本进行卷积神经网络的训练和测试。本发明的优点为：用于对土木工程领域的结构进行无损损伤识别，提出了将结构上多点的加速度响应生成相应递归图作为分析对象，同时采用卷积神经网络进行特征提取。卷积神经网络相对于传统的机器学习算法，其对二维及以上的高维数据的特征提取具有先天优势，能有效提高其在结构损伤识别上的训练效率和泛化能力，具备较好的精度及较低的训练成本。

Description

一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
技术领域
本发明涉及结构健康监测和人工智能技术领域，具体涉及一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法。
背景技术
目前，结构损伤监测分为结构局部损伤监测和结构整体损伤监测。结构局部损伤监测是利用传感器或者人工方式检查结构局部构件的安全状况；结构整体损伤监测是利用结构位移、自然频率、振型模态、模态曲率等评估结构整体的刚度，对使用情况以及使用性能进行评价。结构整体损伤监测能够更好地反映结构的性能，对于结构管养单位来说也能更好地评估结构整体安全水平。
传统的基于结构动力特性的损伤识别算法通常需要对结构损伤和结构动力的特性关系进行复杂的公式推导，对于不同的结构，动力特性与损伤的关系各不相同。对于复杂结构来说，相关的理论推导会大大提高该方法的使用门槛，并且结构的损伤往往同时影响其基频、模态以及模态曲率等，因此单一地根据某些动力特性进行损伤识别很难得到较好的准确度，且这些特性在提取过程中往往会受到干扰导致失真，损伤识别结果精确度有待提高。
在传统的损失识别算法的基础上，采用较为原始的加速度响应时程数据能更好地避免信息的丢失，但是时程数据对于动力特性的展现不太直接，也有缺陷。
发明内容
本发明的目的是提供一种应用于土木工程领域的、基于结构加速度响应递归图及卷积神经网络的结构整体损伤识别方法。
为了达到上述目的，本发明通过以下技术方案来实现：
一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，包括如下步骤：
S1)搭建数值模型并生成风场
搭建结构的数值模型，用来模拟特定损伤下结构在风荷载下的动力响应；
以风荷载为例，根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力；
S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载加载到数值模型上
以风荷载为例，随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程；
S3)将时域加速度响应生成相应的递归图
将各点的加速度响应生成相应递归图，各点的递归图组合在一起构成三维矩阵，即构成某个损伤下的样本；在进行卷积神经网络训练前，首先对样本进行标准化，将各点递归图矩阵中的所有数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为
Figure BDA0002073036090000021
其中，RPm(i，j)代表m点的加速度时程的递归图i行j列的对应数值，
Figure BDA0002073036090000022
代表标准化之后样本中第m维，i行j列的值；
将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量；
S4)对样本进行卷积神经网络的训练和测试
以风荷载为例，将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练；
卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用与传统神经网络类似的全连接层，将提取出来的特征映射到目标空间中；
利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标。
进一步地，步骤S2)中，卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。
进一步地，步骤S3)中，递归图选用参数过程中采用伪最近邻法确定嵌入维m参数，采用互信息方法确定时间延迟参数τ，最终确定用于分析的递归向量并进行递归图样本的生成。
进一步地，步骤S4)中，卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为
Figure BDA0002073036090000031
其中fij代表第i个样本对应的标签上的第j个数值，yij代表卷积神经网络在第i个样本的损伤预测向量上的第j个数值。
进一步地，步骤S4)中，卷积层采用Leaky Relu激活函数，公式为
Figure BDA0002073036090000032
其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。
本发明与现有技术相比，具有以下优点：
本发明一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，用于对土木工程领域的结构进行无损损伤识别，提出了将结构上多点的加速度响应生成相应递归图作为分析对象，同时采用卷积神经网络进行特征提取。卷积神经网络相对于传统的机器学习算法，其对二维及以上的高维数据的特征提取具有先天优势，能有效提高其在结构损伤识别上的训练效率和泛化能力，具备较好的精度及较低的训练成本。
附图说明
图1是本发明一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法的卷积神经网络的结构示意图。
图2是本发明一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法的针对十自由度结构损伤识别的流程示意图。
具体实施方式
下面结合附图，对本发明的实施例作进一步详细的描述。
本发明为一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，利用结构上的加速度传感器对结构在风力下的加速度时程响应进行采集，涉及提供设计的卷积神经网络，一种生成训练集的新方法以及通过数值模型生成其训练集、验证集以及测试集的方式，能有效提高卷积神经网络在结构损伤识别上的训练效率和泛化能力。
一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，包括如下步骤：
S1)搭建数值模型并生成风激励荷载等外激励
以风荷载为例，搭建结构的数值模型，用来模拟特定损伤下结构在风荷载下的动力响应；因考虑到社会安全以及成本，真实的结构无法人为地引入多种损伤工况，因此需要在结构的数值模型上引入损伤，然后在数值结构上施加模拟的风荷载。
根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力。由于静风力不产生加速度，则不用考虑；并且由于实际结构所受到的平均风速是随机的，因此对于用于训练的样本，生成时采用的平均风速与用于测试时采用的不相同。
S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载加载到数值模型上
以风荷载为例，随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程。
卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。
S3)将时域加速度响应生成相应递归图
将各点的加速度响应生成相应递归图，各点的递归图组合在一起构成三维矩阵，即构成某个损伤下的样本；在进行卷积神经网络训练前，首先对样本进行标准化，将各点递归图矩阵中的所有数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为
Figure BDA0002073036090000051
其中，RPm(i，j)代表m点的加速度时程的递归图i行j列对应数值，
Figure BDA0002073036090000052
代表标准化之后样本中第m维、i行j列的值。这样可保证所有样本中的数值均在0-1之间，保证了不同样本分布之间没有较大的差别，提高了卷积神经网络的学习效率。
将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量。
S4)对样本进行卷积神经网络的训练和测试
以风荷载为例，将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练。
如图1所示，卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用与传统神经网络类似的全连接层，将提取出来的特征映射到目标空间中。
卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为
Figure BDA0002073036090000061
其中fij代表第i个样本对应的标签上的第j个数值，yij代表卷积神经网络在第i个样本的损伤预测向量上的第j个数值。
卷积层采用Leaky Relu激活函数，公式为
Figure BDA0002073036090000062
其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。
利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标，对各点损伤程度的预测精度达到要求。
为实现本识别方法在实际结构中的应用，需要将真实结构上采集的加速度响应递归图作为训练后的卷积神经网络的输入，前提是保证用于生成训练集的数值模型能较好地还原实际结构的风荷载下的振动情况。
如图2所示，以十自由度结构为例阐述十自由度结构损伤识别的流程。
步骤S01，以风激励荷载为例，通过脉动风随机风场仿真理论，构建并生成含有多种平均风速下各点脉动风时程的风速数据集作为训练集的风速数据库，同时也生成一组含有其他不同平均风速的风速时程数据集作为测试集风速数据库。
步骤S02，选择十自由度结构中任意三处或三处以下的自由度，以减小其截面积的方式引入损伤，并且根据截面折减率定义不同的损伤程度，为使得训练集更加完备，将不同损伤位置和单根吊杆不同损伤程度的各种组合完备性地生成，这将产生大量的结构模型作为训练集的结构数据库。同时取一些与训练集不同的截面折减率作为模型中三处或三处以下的结构损伤程度，将这些样本作为测试集的结构数据库。
步骤S03，从训练集的结构数据中，选择一个损伤结构，并从训练集的风速数据库中随机选择一组风速时程数据，计算横向的风荷载抖振力，加载到该结构上，得到一组结构上各点的横向加速度时程，同时将这组时程对应的损伤标签与其对应存储下来。按同样的步骤完成训练集中所有损伤结构的随机风荷载下的响应生成，构成训练集的加速度响应时程数据库。对于测试集按照同样的步骤，不过数据库需要改成测试集的风速和结构数据库，生成测试集的加速度响应时程数据库。
步骤S04，根据S03中生成的加速度响应，即结构每一点的横向加速度时程，计算生成递归图的阈值、嵌入维以及时间延迟参数，并且生成相对应的递归图，由于结构有多个自由度，按点的编号顺序叠加成十维矩阵。
步骤S05，在进行卷积神经网络训练之前，首先对样本进行标准化处理，公式为
Figure BDA0002073036090000071
其中RPm(i，j)代表m点的加速度时程的递归图i行j列对应的的数值，
Figure BDA0002073036090000072
代表标准化之后样本中第m维，i行j列的值。标准化后的矩阵作为卷积神经网络的输入样本，将所有的训练集和测试集的加速度响应时程数据库按以上步骤进行预处理，分别得到最终的训练集样本和测试集样本。
步骤S06，从训练集的最终样本中选择20％作为验证集，剩余作为训练集输入到设计的卷积神经网络中进行训练，训练采用小批量随机梯度下降法，即每次训练从训练集中随机选择一定数量(图例中选择128个样本)计算所有这个小批量中标签和网络输出向量的均方差值，进行反向传播计算梯度训练网络。训练的结果通过对验证集进行损伤预测得到，通过查看验证集的误差随训练代数的变化，调整卷积神经网络的参数，如卷积核大小、池化窗口大小、学习率大小等。目的在于优化网络结构，达到最小的预测误差。
本方案中，测试集由数值模型生成。但由于生成测试集的平均风速以及损伤程度与训练集均不一样，测试集的效果能表征该神经网络对于任意平均风速下任意损伤程度结构的损伤识别情况。为将此方法拓展到实际工程项目中，前提是保证数值模型能够很好地反映真实结构模型的动力特性，那么训练所得的神经网络将能够对真实结构的损伤进行很好的预测。使用时只需要将真实结构上采集的加速的时程进行步骤S04与S05相同的转化，将这个样本输入到训练好的神经网络中，无需经过最后的代价函数，直接将最后一层网络的输出作为预测值，就能够得到对于此样本的损伤进行预测。
需指出，本方法的设计初衷在于，通过加速度响应得到的损伤预测可作为实际结构监测的参考；卷积神经网络判断得到的损伤程度可指导实际的结构检修方案；配合局部检测方法，可以快速定位结构最可能出现损伤的部位，对判断出现的损伤部位进行详细的检测，提高结构检测效率。
以上所述仅是本发明优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (6)

1.一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于包括如下步骤：
S1)搭建数值模型并生成风激励荷载外激励
搭建结构的数值模型，用来模拟特定损伤下结构在风激励荷载外激励下的动力响应；
S2)准备不同损伤位置以及损伤程度的结构数值模型并将风荷载外激励加载到数值模型上
S3)将时域加速度响应生成相应递归图
将各点的加速度响应生成相应递归图，各点的递归图组合在一起构成三维矩阵，即构成某个损伤下的样本；在进行卷积神经网络训练前，首先对样本进行标准化，将矩阵中m点的加速度时程的递归图i行、j列的数值减去矩阵中的最小值后除以矩阵中最大、最小值的差，公式为
Figure FDA0004092090240000011
其中，RPm(i，j)代表m点的加速度时程的递归图i行j列的数值，
Figure FDA0004092090240000012
代表标准化后m点的加速度时程的递归图i行j列的数值；
将标准化之后的训练样本打上损伤对应的数值标签，产生一个标准的神经网络训练样本；数值标签为一个表示损伤位置和损伤程度的向量；
S4)对样本进行卷积神经网络的训练和测试
卷积神经网络的搭建由卷积层、池化层和全连接层组成，首先使用卷积层对矩阵信息进行特征提取，之后用池化层降低数据维度并降低过拟合现象发生，之后再使用全连接层，将提取出来的特征映射到目标空间中；
利用上述步骤产生的训练集和训练方式对卷积神经网络进行训练，直至对验证集中代价函数的误差计算值小于设定目标。
2.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：
步骤S2)中，卷积神经网络的测试集从与训练集不同平均风速的脉动风时程中选择一组，作用在训练集中未包含的损伤情况的结构数值模型上。
3.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：
步骤S3)中，递归图选用参数过程中采用伪最近邻法确定嵌入维M参数，采用互信息方法确定时间延迟参数τ，最终确定用于分析的递归向量并进行递归图样本的生成。
4.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：
步骤S4)中，卷积神经网络最后一层选择均方差函数作为代价函数，来计算预测损伤与实际损伤之间的误差，公式为
Figure FDA0004092090240000021
其中fab代表第a个样本对应的标签上的第b个数值，yab代表卷积神经网络在第a个样本的损伤预测向量上的第b个数值。
5.根据权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：
步骤S4)中，卷积层采用Leaky Relu激活函数，公式为
Figure FDA0004092090240000022
其中，α为一个接近0的正数，通过反向传播计算代价函数在各个训练参数上的梯度，采用小批量随机梯度下降算法对各参数进行更新。
6.如权利要求1所述的一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，其特征在于：
步骤S1中，根据Kaimal谱生成的随机风场产生风荷载，计算结构上不同位置的脉动风速，计算出结构上各质点的抖振风力；
步骤S2中，随机选择一组平均风速下结构各点的脉动风风速时程，计算其产生的抖振风力，作用在生成的一个随机损伤程度和损伤位置下的结构数值模型上，记录各点产生的加速度时程；
步骤S4中，将多个随机脉动风场下随机损伤模型产生的响应经过处理后的样本与其对应的标签一同存入训练集数据库中，从中选择出80％作为训练集，剩余作为验证集，供卷积神经网络进行训练与验证。
CN201910444058.8A 2019-05-27 2019-05-27 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 Active CN112001110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910444058.8A CN112001110B (zh) 2019-05-27 2019-05-27 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910444058.8A CN112001110B (zh) 2019-05-27 2019-05-27 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法

Publications (2)

Publication Number Publication Date
CN112001110A CN112001110A (zh) 2020-11-27
CN112001110B true CN112001110B (zh) 2023-04-28

Family

ID=73461328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910444058.8A Active CN112001110B (zh) 2019-05-27 2019-05-27 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法

Country Status (1)

Country Link
CN (1) CN112001110B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505415A (zh) * 2021-06-17 2021-10-15 贵州顺康检测股份有限公司 一种基于深度学习的桥梁快速检测方法
CN113947130B (zh) * 2021-08-03 2022-06-14 西南交通大学 车轮多边形磨损波形回归预测ai模型训练使用方法及设备
CN113642216B (zh) * 2021-08-17 2024-04-02 西安理工大学 一种基于多层神经网络和支持向量机的随机信号识别方法
CN113607325B (zh) * 2021-10-09 2021-12-14 武汉地震工程研究院有限公司 一种钢结构螺栓群松动定位智能监测方法及系统
CN114358091B (zh) * 2022-03-03 2022-06-10 中山大学 一种基于卷积神经网络的桩损伤识别方法、设备及介质
CN114595726A (zh) * 2022-03-16 2022-06-07 浙江大学 一种基于NExT-递归图的结构损伤检测方法及系统
GB2620668A (en) * 2022-03-16 2024-01-17 Univ Zhejiang Next-recurrence plot-based structural damage detection method and system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA99462U (ru) * 2014-11-17 2015-06-10 Дніпропетровський Національний Університет Імені Олеся Гончара СПОСОБ ИДЕНТИФИКАЦИИ ПАРАМЕТРОВ ПОВРЕЖДЕНИЙ В тонких ТЕЛАХ
CN107560849A (zh) * 2017-08-04 2018-01-09 华北电力大学 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法
CN108090295A (zh) * 2017-12-27 2018-05-29 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥拉索损伤识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102128788A (zh) * 2010-12-21 2011-07-20 东南大学 基于改进自然激励技术的钢框架损伤诊断方法
US11630040B2 (en) * 2017-07-11 2023-04-18 Qatar University Real-time structural damage detection by convolutional neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA99462U (ru) * 2014-11-17 2015-06-10 Дніпропетровський Національний Університет Імені Олеся Гончара СПОСОБ ИДЕНТИФИКАЦИИ ПАРАМЕТРОВ ПОВРЕЖДЕНИЙ В тонких ТЕЛАХ
CN107560849A (zh) * 2017-08-04 2018-01-09 华北电力大学 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法
CN108090295A (zh) * 2017-12-27 2018-05-29 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥拉索损伤识别方法

Also Published As

Publication number Publication date
CN112001110A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001110B (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
US11709979B1 (en) Bridge damage identification method considering uncertainty
CN108709745A (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
CN113762486B (zh) 换流阀故障诊断模型的构建方法、装置和计算机设备
CN110750875B (zh) 仅利用输出响应的结构动静态参数不确定性定量分析系统
CN108959794A (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN108416364A (zh) 分包融合集成学习数据分类方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN106681305A (zh) 一种Fast RVM污水处理在线故障诊断方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN112949944B (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN117034430B (zh) 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
Yamanishi et al. 8. functional data analysis geographically weighted functional multiple regression analysis: A numerical investigation
CN112203311B (zh) 网元异常诊断方法、装置、设备及计算机存储介质
Wang et al. Continual residual reservoir computing for remaining useful life prediction
CN113722308B (zh) 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置
Chen et al. Gearbox fault diagnosis classification with empirical mode decomposition based on improved long short-term memory
CN114462127A (zh) 基于深度极限学习机的结构损伤识别方法及系统
CN114357855A (zh) 基于平行卷积神经网络的结构损伤识别方法和装置
CN108053093A (zh) 一种基于平均影响值数据变换的k-近邻故障诊断方法
CN108509684B (zh) 舵机与动态负载模拟器匹配设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant